从驾驶数据中学习并泛化运动基元用于路径跟踪应用
机器学习
2018-12-19 v2 机器学习
摘要
在路径跟踪系统中考虑从自然驾驶数据中学到的驾驶习惯，可显著提升智能车辆的接受度。因此，本文的目标是基于所学运动基元，根据参考信息生成带有置信区域的横向指令预测结果。我们提出了一种通过示教来学习与泛化运动基元的两层结构。底层运动基元在上层的路径分割与聚类层下生成。利用高斯混合模型(GMM)表示基元，并选用高斯混合回归(GMR)来泛化运动基元。我们展示了上层如何帮助提高预测精度，并评估了不同时间尺度与高斯分量数的影响。该模型使用北京理工大学(BIT)智能车平台采集的驾驶数据进行训练与验证。实验结果表明，所提方法能从驾驶数据中提取运动基元，并以较高精度预测未来横向控制指令。
引用
@article{arxiv.1806.00711,
title = {Learning and Generalizing Motion Primitives from Driving Data for Path-Tracking Applications},
author = {Boyang Wang and Zirui Li and Jianwei Gong and Yidi Liu and Huiyan Chen and Chao Lu},
journal= {arXiv preprint arXiv:1806.00711},
year = {2018}
}
备注
2018 IEEE Intelligent Vehicles Symposium (IV)